深度学习在生物医药领域中的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新，已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价10元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 12166 篇文献，本页显示第 4341 - 4360 篇。
| 序号 | 推送日期 | 文章 | 类型 | 简述 | 创新点 | 不足 | 研究目的 | 研究对象 | 领域 | 病种 | 技术 | 模型 | 数据类型 | 样本量 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4341 | 2024-10-30 |
Exploiting macro- and micro-structural brain changes for improved Parkinson's disease classification from MRI data
2024-Feb-26, NPJ Parkinson's disease
DOI:10.1038/s41531-024-00647-9
PMID:38409244
|
研究论文 | 研究开发并评估了一种可解释的深度学习模型，用于从多模态神经影像数据中进行帕金森病分类 | 利用宏观和微观结构脑变化的结合，提高了帕金森病的分类准确性，并使用SmoothGrad显著性图提高了模型的可解释性 | NA | 开发和评估一种可解释的深度学习模型，用于从多模态神经影像数据中进行帕金森病分类 | 帕金森病患者和健康对照者的多模态神经影像数据 | 机器学习 | 神经退行性疾病 | 磁共振成像（MRI） | 卷积神经网络（CNN） | 图像 | 1264个数据集，包括611名帕金森病患者和653名健康对照者 |
| 4342 | 2024-10-30 |
Structurally-informed human interactome reveals proteome-wide perturbations by disease mutations
2024-Feb-01, bioRxiv : the preprint server for biology
DOI:10.1101/2023.04.24.538110
PMID:37162909
|
研究论文 | 本文介绍了一种基于深度学习的集成框架PIONEER，用于预测人类和其他常见模式生物中所有已知蛋白质相互作用的蛋白质结合伙伴特异性界面，并展示了其在疾病相关突变分析中的应用 | PIONEER框架在预测蛋白质相互作用界面方面优于现有的最先进方法，并能有效识别与疾病相关的突变 | NA | 开发一种能够准确预测蛋白质相互作用界面并应用于疾病相关突变分析的深度学习工具 | 人类和其他常见模式生物的蛋白质相互作用界面，以及疾病相关突变 | 机器学习 | 癌症 | 深度学习 | 集成框架 | 基因组数据 | 2,395个突变，6,754个突变-相互作用对，约60,000个生殖系外显子，约36,000个体细胞基因组，约11,000个肿瘤全外显子，33种癌症类型 |
| 4343 | 2024-10-30 |
Self-Supervised Learning Improves Accuracy and Data Efficiency for IMU-Based Ground Reaction Force Estimation
2024-Jan-25, bioRxiv : the preprint server for biology
DOI:10.1101/2023.10.25.564057
PMID:38328126
|
研究论文 | 本文探讨了自监督学习在基于IMU的地反作用力估计中的应用，通过预训练模型提高估计的准确性和数据效率 | 提出使用自监督学习技术利用大量IMU数据预训练深度学习模型，以提高基于IMU的地反作用力估计的准确性和数据效率 | NA | 提高基于IMU的地反作用力估计的准确性和数据效率 | 基于IMU的地反作用力估计 | 机器学习 | NA | 自监督学习 | transformer模型 | IMU数据 | 三个预训练数据集，包括真实IMU数据、合成IMU数据或两者的组合 |
| 4344 | 2024-10-30 |
Splicing neoantigen discovery with SNAF reveals shared targets for cancer immunotherapy
2024-Jan-17, Science translational medicine
IF:15.8Q1
DOI:10.1126/scitranslmed.ade2886
PMID:38232136
|
研究论文 | 开发了一种名为SNAF的计算工作流程，用于从患者RNA-Seq数据中发现由剪接产生的肿瘤特异性新抗原，并揭示了这些新抗原在癌症免疫治疗中的潜在共享目标 | 提出了SNAF工作流程，结合深度学习策略和新的算法，能够预测剪接衍生的免疫原性MHC结合肽和未注释的跨膜蛋白的改变的外部表位，为癌症免疫治疗提供了新的靶点 | NA | 通过开发SNAF工作流程，系统地识别剪接新抗原，揭示其在异质性癌症中的潜在治疗共享目标 | 剪接新抗原及其在癌症免疫治疗中的应用 | 生物信息学 | 黑色素瘤 | RNA测序 | 深度学习 | RNA序列数据 | 涉及多个癌症队列的患者样本 |
| 4345 | 2024-10-30 |
Toward Blind Flare Removal Using Knowledge-Driven Flare-Level Estimator
2024, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2024.3480696
PMID:39437280
|
研究论文 | 本文提出了一种基于知识驱动的镜头光晕去除方法，通过光晕级别估计器预测光晕污染程度，并利用光晕级别调制器和光晕感知块提高网络的适应性和准确性 | 本文的创新点在于提出了一种新的光晕去除视角，通过知识驱动的方式预测光晕污染程度，并设计了光晕级别调制器和光晕感知块来提高网络的性能 | 本文的局限性在于依赖于新的真实世界光晕数据集WiderFlare，并且实验仅在三个基准数据集上进行了验证 | 本文的研究目的是解决镜头光晕去除问题，特别是在真实世界中光晕与场景混合机制不确定的情况下 | 本文的研究对象是镜头光晕及其对图像质量的影响 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 本文收集了一个新的真实世界光晕数据集WiderFlare，并在三个基准数据集上进行了广泛实验 |
| 4346 | 2024-10-30 |
PIFON-EPT: MR-Based Electrical Property Tomography Using Physics-Informed Fourier Networks
2024, IEEE journal on multiscale and multiphysics computational techniques
IF:1.8Q3
DOI:10.1109/jmmct.2023.3345798
PMID:39463749
|
研究论文 | 提出了一种基于物理信息傅里叶网络的电性参数断层成像方法（PIFON-EPT），用于从噪声和不完整的磁共振测量中重建电性参数 | 首次提出了一种能够同时从不完全噪声磁共振测量中重建电性参数和传输场的方法 | NA | 开发一种新的深度学习方法，用于从噪声和不完整的磁共振测量中重建电性参数 | 电性参数和传输场的重建 | 计算机视觉 | NA | 磁共振成像 | 物理信息傅里叶网络 | 图像 | 模拟实验在3T和7T磁共振成像中进行，使用了20%的噪声测量场作为输入 |
| 4347 | 2024-10-30 |
Multi-resolution visual Mamba with multi-directional selective mechanism for retinal disease detection
2024, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2024.1484880
PMID:39463765
|
研究论文 | 本文介绍了一种用于视网膜疾病检测的多分辨率视觉Mamba模型，通过多方向选择机制提升OCT图像分类的准确性 | 提出了多分辨率视觉Mamba模型，结合卷积和Transformer的优势，解决了长程依赖问题，并引入了多方向选择机制以捕捉复杂的视网膜模式 | NA | 提高视网膜疾病检测的准确性 | 视网膜疾病及其OCT图像 | 计算机视觉 | 视网膜疾病 | 光学相干断层扫描（OCT） | 多分辨率视觉Mamba（MRVM） | 图像 | 两个公共数据集，分别包含98.98%和96.21%的总体准确率 |
| 4348 | 2024-10-30 |
SheepEye: a based-web app for real-time diagnosis of sheep anemia
2024, Translational animal science
IF:1.3Q3
DOI:10.1093/tas/txae144
PMID:39463885
|
研究论文 | 本文提出了一种基于网络应用的绵羊贫血实时诊断系统SheepEye | 利用深度学习算法（U-net模型用于分割，VGG19模型用于分类）开发了一个基于网络的应用程序，用于绵羊贫血的监测和诊断 | SheepEye应用仍处于原型阶段，尚未广泛应用于生产者 | 开发一种能够实时诊断绵羊贫血的网络应用，以提高诊断效率和绵羊生产力 | 绵羊贫血的监测和诊断 | 计算机视觉 | NA | 深度学习 | U-net模型，VGG19模型 | 图像 | 未明确提及具体样本数量 |
| 4349 | 2024-10-30 |
Innovations and challenges in predicting cognitive trajectories after stroke
2024, Brain communications
IF:4.1Q2
DOI:10.1093/braincomms/fcae364
PMID:39464216
|
评论 | 本文是对一篇关于使用深度学习预测中风后认知轨迹的论文的科学评论 | NA | NA | 评论和讨论使用深度学习预测中风后认知轨迹的创新和挑战 | 中风后认知轨迹的预测 | NA | NA | NA | NA | NA | NA |
| 4350 | 2024-10-30 |
Deep learning disconnectomes to accelerate and improve long-term predictions for post-stroke symptoms
2024, Brain communications
IF:4.1Q2
DOI:10.1093/braincomms/fcae338
PMID:39464219
|
研究论文 | 本研究探讨了深度学习模型在加速生成断连图谱以进行个性化预测中风后一年神经心理结果方面的有效性 | 本研究首次使用3D U-Net网络生成深度断连图谱，显著提高了生成效率和预测准确性 | 研究样本量相对较小，需要进一步验证在大规模数据集上的表现 | 加速生成断连图谱，提高中风后神经心理结果的长期预测准确性 | 中风患者的断连图谱和神经心理结果 | 机器学习 | 中风 | 3D U-Net网络 | 3D U-Net | 图像 | 1333个合成病变和1333个真实中风病变，以及119名中风患者的神经心理评分 |
| 4351 | 2024-10-30 |
The Future of Cervical Cancer Screening
2024, International journal of women's health
DOI:10.2147/IJWH.S474571
PMID:39464249
|
研究论文 | 探讨宫颈癌筛查的新技术和策略 | 介绍了快速、低成本的HPV检测、高分辨率数字阴道镜和人工智能解释等新兴技术 | 未提及具体的研究局限性 | 探索HPV、宫颈不典型增生和宫颈癌的检测与治疗方法 | HPV感染、宫颈不典型增生和宫颈癌 | NA | 宫颈癌 | HPV检测、DNA甲基化分析、双染细胞学、芯片实验室检测、深度学习技术 | 深度学习 | NA | 未提及具体样本量 |
| 4352 | 2024-10-30 |
Swin Transformer-based automatic delineation of the hippocampus by MRI in hippocampus-sparing whole-brain radiotherapy
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1441791
PMID:39464425
|
研究论文 | 本研究开发并验证了一种基于Swin Transformer的深度学习模型SwinHS，用于在海马体保护的全脑放疗中自动勾画海马体，以提高临床工作流程效率 | 本研究首次将Swin Transformer与3D ELSA Transformer模块和sSE CNN解码器结合，用于自动勾画海马体，并在性能上优于其他先进的深度学习模型 | 尽管SwinHS在自动勾画海马体方面表现优异，但在放疗计划中，自动勾画的海马体Dmax值接近17 Gy的限制，需要谨慎对待 | 开发和验证一种自动分割模型，用于在海马体保护的全脑放疗中精确勾画海马体，以提高临床工作流程效率 | 海马体在海马体保护的全脑放疗中的自动勾画 | 计算机视觉 | NA | 深度学习 | Swin Transformer | 三维T1加权MR图像 | 100例三维T1加权MR图像，其中70例用于训练，30例用于测试 |
| 4353 | 2024-10-30 |
Deep Attention Networks With Multi-Temporal Information Fusion for Sleep Apnea Detection
2024, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2024.3405666
PMID:39464487
|
研究论文 | 本文提出了一种基于深度注意力网络和多时间信息融合的睡眠呼吸暂停检测方法 | 引入了多时间尺度信息融合的深度注意力网络，能够从不同时间尺度的ECG信号中提取更具区分度的特征 | NA | 提高睡眠呼吸暂停检测的准确性和性能 | 单导联心电图信号 | 机器学习 | 睡眠障碍 | 深度学习 | 1D卷积神经网络 | 心电图信号 | NA |
| 4354 | 2024-10-30 |
Multi-branch deep learning neural network prediction model for the development of angular biosensors based on sEMG
2024, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2024.1492232
PMID:39465001
|
研究论文 | 本文提出了一种基于sEMG的多分支深度学习神经网络模型，用于步态识别和关节角度预测 | 本文创新性地采用了多分支深度学习神经网络，使不同神经网络处理不同的特征项，从而实现更准确和高效的步态意图识别 | NA | 建立一个多分支深度学习神经网络模型，实现准确的步态识别和有效的关节角度估计 | 人类步态运动意图和关节角度 | 机器学习 | NA | sEMG | 多分支深度学习神经网络 | 信号 | NA |
| 4355 | 2024-10-30 |
An inherently interpretable deep learning model for local explanations using visual concepts
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0311879
PMID:39466770
|
研究论文 | 提出了一种基于视觉概念的深度学习模型，用于提供局部解释 | 开发了一种名为Cross-Attentional Fast/Slow Thinking Network (CA-SoftNet)的双流模型，结合了浅层卷积神经网络和交叉注意力概念记忆网络，以实现快速模式识别和透明逻辑推理 | 未明确提及 | 解决现有深度学习模型在解释性和局部解释方面的不足 | 深度学习模型的解释性和局部解释 | 计算机视觉 | NA | 卷积神经网络 (CNN) | Cross-Attentional Fast/Slow Thinking Network (CA-SoftNet) | 图像 | 在CUB 200-2011、Stanford Cars、ISIC 2016和ISIC 2017数据集上进行了评估 |
| 4356 | 2024-10-30 |
A new fusion neural network model and credit card fraud identification
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0311987
PMID:39466806
|
研究论文 | 本文研究了影响信用卡欺诈识别的相关因素，构建了一种基于神经网络的信用卡欺诈识别模型，并提出了一种新的融合神经网络模型，应用于信用卡欺诈识别 | 本文提出了一种结合深度神经网络和宽神经网络的新型融合神经网络模型，提高了预测精度和F1分数 | NA | 建立高效的信用卡欺诈识别模型 | 信用卡欺诈识别 | 机器学习 | NA | 神经网络 | 融合神经网络模型 | NA | NA |
| 4357 | 2024-10-30 |
Development of a transformer-based deep learning algorithm for diabetic peripheral neuropathy classification using corneal confocal microscopy images
2024, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2024.1484329
PMID:39469112
|
研究论文 | 本研究开发了一种基于Transformer的深度学习算法，用于通过角膜共聚焦显微镜图像对糖尿病周围神经病变进行分类 | 本研究首次采用基于Transformer的深度学习算法进行糖尿病周围神经病变的分类，相较于传统的卷积神经网络，该算法在分类准确性上表现更优 | 本研究样本量较小，且仅限于糖尿病周围神经病变的分类，未来需要在大样本和多疾病类型上进行验证 | 建立一种基于Transformer的深度学习算法，用于通过角膜共聚焦显微镜图像识别糖尿病周围神经病变 | 糖尿病周围神经病变患者和非患者 | 计算机视觉 | 糖尿病 | 角膜共聚焦显微镜 | Transformer | 图像 | 94名参与者（57名糖尿病周围神经病变患者和37名非患者），共计940张图像 |
| 4358 | 2024-10-30 |
Targeted weed management of Palmer amaranth using robotics and deep learning (YOLOv7)
2024, Frontiers in robotics and AI
IF:2.9Q2
DOI:10.3389/frobt.2024.1441371
PMID:39469303
|
研究论文 | 本研究开发了一种基于人工智能的机器人系统，用于精准管理杂草，特别是对Palmer amaranth的识别和喷洒 | 本研究首次将YOLOv7深度学习技术应用于农业机器人系统，实现了对特定杂草的精准识别和喷洒 | 研究主要在受控的户外条件下进行，尚未在实际农业环境中广泛验证 | 开发一种精准且可持续的杂草管理方法，减少传统除草剂的负面环境影响 | Palmer amaranth杂草 | 计算机视觉 | NA | 深度学习 | YOLOv7 | 图像 | 在受控的户外条件下测试了不同生长阶段的Palmer amaranth杂草 |
| 4359 | 2024-10-30 |
Nutritional composition analysis in food images: an innovative Swin Transformer approach
2024, Frontiers in nutrition
IF:4.0Q2
DOI:10.3389/fnut.2024.1454466
PMID:39469326
|
研究论文 | 本文提出了一种结合EfficientNet、Swin Transformer和特征金字塔网络（FPN）的深度学习模型，用于提高食品营养成分识别的准确性和效率 | 本文的创新点在于整合了EfficientNet、Swin Transformer和FPN，以捕捉长距离依赖关系并进行多尺度特征融合，显著提升了食品营养成分识别的性能 | NA | 本文的研究目的是开发一种高效、非破坏性的方法来识别和量化食品中的营养成分，以支持饮食管理和健康监测 | 本文的研究对象是食品图像中的营养成分 | 计算机视觉 | NA | 深度学习 | EfficientNet、Swin Transformer、特征金字塔网络（FPN） | 图像 | Nutrition5k数据集和ChinaMartFood109数据集 |
| 4360 | 2024-10-30 |
Remote physiological signal recovery with efficient spatio-temporal modeling
2024, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2024.1428351
PMID:39469440
|
研究论文 | 本文提出了一种基于高效时空建模的远程生理信号恢复方法 | 引入3D中心差分卷积进行时间上下文建模，采用Huber损失进行鲁棒的强度级rPPG恢复，并设计了双分支结构和软注意力掩码，以及多任务设置进行联合心率和呼吸信号测量 | 未提及具体局限性 | 开发一种能够有效恢复远程生理信号的方法，特别是在存在运动和光照伪影的情况下 | 远程光电容积脉搏波（rPPG）信号 | 计算机视觉 | NA | 深度学习 | 3D中心差分卷积 | 视频 | 在三个公开数据库上进行了广泛实验 |